تنسنت سامانه حافظه‌ای را که تیم هونیوانِ این شرکت برای عامل‌های هوش مصنوعی ساخته، به‌طور کامل متن‌باز کرده است. Hy-Memory 2.0 که در وب‌سایت رسمی پروژه با تاریخ انتشار ۱۶ اکتبر ۲۰۲۶ معرفی شده، از سه بخش تشکیل می‌شود که می‌توان آن‌ها را جداگانه یا با هم به کار برد: مدلی که برای نوشتن حافظه بلندمدت آموزش دیده، موتوری با کیت توسعه پایتون که این حافظه را ذخیره و بازیابی می‌کند، و برنامه‌ای رومیزی و خط‌فرمانی به نام MemHub. کد در مخزن تازه‌ای در گیت‌هاب قرار دارد که ۱۵ اکتبر ساخته شده و به گفته تنسنت با مجوز Apache 2.0 منتشر شده است.
مدل Hy-Memory-30B-A3B معماری «ترکیب متخصصان» دارد؛ در مجموع ۳۰ میلیارد پارامتر که در هر مرحله فقط حدود ۳ میلیارد از آن‌ها فعال می‌شوند. وزن‌های مدل ۱۵ اکتبر همراه با یک گزارش فنی در آرکایو روی هاگینگ‌فیس قرار گرفت. این مدل برای گفت‌وگو با کاربر ساخته نشده است. کارش جایگزینی مدل زبانی همه‌منظوره‌ای است که چارچوب‌های حافظه هنگام تصمیم‌گیری به آن متکی‌اند: چه چیزی نگه داشته شود، با چه دقتی ثبت شود و اطلاعات تازه چطور داده‌های قبلی را اصلاح کند. تنسنت مدل را روی سه چارچوب Mem0، MemOS و Hy-Memory آموزش داده است؛ ابتدا با تقطیر دانش و سپس با یادگیری تقویتی که به هر نوشتن در حافظه بر اساس اینکه بعداً بتوان از آن به پرسش‌ها پاسخ داد پاداش می‌دهد.
طبق این گزارش، مدل در هر چهار محیط ارزیابی، از جمله EverMemOS که عمداً از آموزش کنار گذاشته شده بود، رتبه نخست را گرفته و میانگینش ۵۵٫۴۹ درصد در برابر ۵۴٫۶۲ درصد برای Claude Opus 5 بوده است. این نتایج روی زیرنمونه‌های ثابت ۲۰ درصدی از مجموعه‌ای از آزمون‌ها به دست آمده که یکی از آن‌ها، یعنی CMB برای سنجش حافظه در برنامه‌نویسی، را همین تیم ساخته است. این‌ها ارقام خود تنسنت است و هنوز هیچ تکرار مستقلی از آن‌ها منتشر نشده است.
موتور این سامانه با نام hy-memory در مخزن بسته‌های پایتون عرضه می‌شود و هنگام بررسی ما نسخه ۲٫۰٫۴ آن در دسترس بود. این موتور حافظه را در سه سناریو مدیریت می‌کند. در گفت‌وگو، اطلاعات شخصی در سلسله‌مراتبی چیده می‌شود که از متن خام گفت‌وگو شروع می‌شود و به واقعیت‌های جزئی، خلاصه‌ها، الگوها و نیت‌های آینده می‌رسد؛ رویکردی که در مقاله‌ای پذیرفته‌شده در کنفرانس EMNLP 2026 شرح داده شده است. برای عامل‌هایی که کار مشخصی انجام می‌دهند، یک لایه واقعیت‌ها و یک لایه تجربه‌های قابل استفاده دوباره نگه داشته می‌شود. در برنامه‌نویسی هم زنجیره‌ای از تفاوت‌های نسخه‌ها ثبت می‌شود تا عامل بداند کد نه‌فقط امروز چه شکلی دارد، بلکه چرا تغییر کرده است. تنسنت در صفحه پروژه می‌گوید موتورش در ارزیابی‌های خود از چند چارچوب رقیب و یک روش ساده بازیابی‌محور بهتر عمل کرده است.
MemHub برای کسانی طراحی شده که هم‌زمان با چند دستیار کار می‌کنند. این برنامه گفت‌وگوها و ردپای کدنویسی را از برنامه‌هایی که کاربر اجازه داده، مثل Claude Code، Cursor، Codex، OpenCode و Qwen Code، وارد می‌کند، همه را در یک پوشه محلی نگه می‌دارد و با افزونه‌ها حافظه مرتبط را به هر ابزاری که در حال استفاده است برمی‌گرداند. صفحه رسمی از پشتیبانی ده ابزار خبر می‌دهد. نسخه ۱٫۰٫۴ این برنامه ۱۸ اکتبر با اپ امضاشده برای مک و محیط‌های آزموده برای مک و لینوکس منتشر شد؛ دو روز پس از نخستین نسخه.
نام این پروژه تازه نیست و نسخه ۱٫۰ آن در مه ۲۰۲۶ منتشر شده بود. تفاوت نسخه دوم در این است که تنسنت یک‌جا مدل حافظه آموزش‌دیده، چارچوب و برنامه‌ای برای کاربر نهایی را عرضه کرده، آن هم در زمانی که نبود حافظه ماندگار یکی از ضعف‌های پرتکرار عامل‌های برنامه‌نویسی است. سه روز پس از انتشار، مخزن نزدیک به ۹۰۰ ستاره در گیت‌هاب گرفته بود و صفحه مدل حدود ۱۲۰۰ بار دانلود را نشان می‌داد.
چند پرسش همچنان باقی است. همه ارقام عملکرد را خود تنسنت اعلام کرده و برتری بر Claude Opus 5 بر زیرنمونه‌هایی تکیه دارد که یکی از آن‌ها را خود شرکت طراحی کرده و هنوز برای کنفرانس ICLR 2027 در حال داوری است. در مقایسه چارچوب‌ها، تنسنت از DeepSeek V4.1 Flash به‌عنوان مدل حافظه و از GPT-5.6-sol برای پاسخ‌دادن و داوری استفاده کرده است، پس انتخاب مدل‌های دیگر ممکن است نتیجه را تغییر دهد. کارایی اشتراک حافظه در MemHub نیز به شیوه نگهداری تاریخچه در هر برنامه دیگر بستگی دارد و هنوز هیچ ارزیابی مستقلی از پایداری یا سازوکارهای حریم خصوصی آن منتشر نشده است.